一种改进的铁路扣件图像校正算法

董 洋，李柏林

(西南交通大学 机械工程学院，成都 610031)

一种改进的铁路扣件图像校正算法

董 洋，李柏林

(西南交通大学 机械工程学院，成都 610031)

基于HOG特征的铁路扣件检测算法中，各类扣件特征的可辨性易受光照不均匀因素影响，降低了检测准确率。针对此类光照不均匀图像，将二维经验模态分解（BEMD）理论与直方图均衡化相结合，首先利用BEMD变换提取图像的细节分量和照射分量，并通过直方图均衡化增强细节分量；然后进行光照判断，据光照判断对细节增强分量叠加调整后的照射分量，得到光照均匀、细节增强的扣件图像。真实实验表明，与传统方法相比，此方法能有效增强图像对比度，提高铁路扣件检测精度。

图像增强；光照不均匀；二维经验模态分解；直方图均衡化；光照补偿

近年来，图像处理技术越来越多地应用于铁轨缺陷的快速动态检测中[1]。针对铁路扣件的缺陷识别算法，国内研究较少，其中检测精度较高的是基于梯度直方图（HOG）特征的扣件检测算法[2]。梯度直方图特征[3]是一种局部区域描述符，能够将图像中局部对象的外观和形状进行特征化,有效地描述图像的主体轮廓边缘。基于HOG特征的铁路扣件检测算法主要是通过梯度算子计算扣件图像水平方向和垂直方向的梯度，计算出梯度幅值和梯度方向，再将提取到的HOG特征输入到分类器中，进行扣件的分类识别。

对于图像光照均匀、整体质量较好的图像，正常扣件HOG特征和非正常扣件的HOG特征具有较明显的差别。但类似于图1（b）所示的图像，由于受阳光照射的影响，扣件图像的钢轨两侧光照强度有较明显的差异，钢轨向阳一侧灰度值较高，另一侧灰度值较低；同时由于光照强度的不均匀，导致钢轨两侧的扣件图像质量也有较大差异。在这种情况下，上下扣件特征区域的HOG特征会被严重干扰，从而大大降低分类识别的可靠性，影响扣件检测的精度。

图1 铁路扣件图像

针对以上光照不均问题，国内外文献提出了许多解决办法，代表性的有以直方图均衡化为代表的灰度变换法，基于照明-反射模型的同态滤波法[4]，Retinex增强方法[5]等。但是直方图均衡化主要适用于增强整体灰度值偏低的图像，无法有效抑制高光区域；同态滤波方法对高光区、阴影增强效果差；Retinex方法对原图像中较亮部分处理能力不足。因此，以上几种典型方法都无法有效解决扣件的图像质量问题。

近年来，随着经验模态分解（EMD）[6]在信号处理中的广泛应用，特别是在国外学者将一维EMD扩展到二维EMD[7]之后，国内一些学者开始探索将其应用于图像处理领域，并在图像纹理分析[8～9]，图像增强[10]，图像分解[11]，图像压缩[12]等领域取得了一些成果。本文针对铁路扣件检测中光照分布不均及图像部分区域细节不足的问题，将二维EMD理论与直方图均衡化相结合，提出一种基于光照补偿的图像增强方案。

1 二维经验模态分解

1.1 EMD算法

EMD算法是一种基于数据时域局部特征的、自适应的时频分析工具，广泛应用于信号分析领域。对于信号I（t），经EMD分解后可表示为：

式中，ci(t)-第i个模态分量，r(t)-残余分量。对于模态分量，又称内蕴模态函数（IMF），它满足2个基本条件：极值点数量与过零点数量必须相等，或者最多相差一个；在任意时间，由极大值得到的上包络线和由极小值得到的下包络线的局部均值为零。

1.2 二维经验模态分解（BEMD）

二维EMD算法是对一维EMD算法的扩展，对于二维m*n图像信号f(x，y)：x=1,…, m；y=1,…, n；二维EMD的具体实现过程如下。

（1）设置待处理图像

令待处理的图像为：

I0(x，y)= f(x，y)；i=1。

（2）分解抽取第i个IMF

a.初始化图像：h0(x, y)= (x, y)；k=1。

b.利用8邻域像素算法计算 hk–2(x, y)中的极大值和极小值。

c.分别对极大值和极小值点进行插值，求出极大值包络面 umax(x, y)，极小值包络面umin(x, y)。

d.计算上下包络面的均值：

e.从图像中减去均值m(x, y)，得到：hk(x, y)= hk–2(x, y)– m(x, y)。

f.计算IMF终止条件，若满足，则有：

否则令k=k+1，转到b.步。

（3）求残余分量

若 ri(x, y)中仍有不少于2个的极值点或者分解所得的IMF未达到要求数目，则将 ri(x, y)看作新的数据传入（2），i=i+1。

（4）求得分解结果

针对二维EMD分解中存在的极值点选取，包络面拟合以及边界效应处理等问题，本文算法中采用镜像延拓边界处理，3次样条插值的曲面插值方法以及SD的终止准则。

2 算法思路

利用二维经验模态分解方法(BEMD)提取原始扣件图像的光照分量和细节分量，通过直方图均衡化对图像细节分量进行增强，得到细节增强图像。判断是否需要对细节增强图像进行光照补偿，若需要，则采用调整光照强度灰度范围的方式得到合适的光照补偿分量；将需要光照补偿的细节增强分量与修改后的光照分量进行叠加，得到增强后的扣件图像。若不需要光照补偿，则细节增强图像即为最终处理结果。算法流程如图2所示。

图2 算法流程图

2.1 原始图像BWMD分解

在BEMD分解的过程中，首先会将高频分量分解出来，再逐步筛选平滑区域和低频信息。这和小波分解过程类似，但是小波分解要设置小波基，对于不同的小波基，分解结果不同，而BEMD是完全数据驱动的过程，只需要设定终止条件即可。

由于光照通常变化缓慢，在频率域属于低频分量，而BEMD方法可以将一幅图像分解成一系列代表不同频率特性的图像。因此，通过BEMD分解，最后得到的残余分量L(x,y)即为光照强度分布图像。图3(b)(c)为图像经过BEMD分解得到的残余分量L(x,y)和细节分量R(x,y)的结果。

2.2 直方图均衡化

扣件原始图像I(x,y)经过BEMD分解后，得到的细节图像R(x,y)已经基本去除了光照因素的影响，此时对细节图像进行直方图均衡化，得到细节增强的扣件图像R'(x,y)，如图3（d）所示。

图3 算法中间结果

2.3 光照补偿

不同的扣件细节图像经过直方图均衡化后得到的细节增强图像R'(x,y) 与原细节图像R(x,y)相比，虽然其整体灰度有所提高，但是仍有部分细节增强图像R'(x,y)整体亮度仍然不足，因此首先应判断图像R'(x,y)是否需要进行光照补偿，然后需根据光照分量L(x,y)对其进行适当的光照补偿。

（1）判断是否进行光照补偿

当扣件原始图像I(x,y)的图像灰度均值与扣件细节图像R'(x,y)的图像灰度均值的比值c大于某一阀值时，进行光照补偿，根据多次试验，此阀值取1.5。

（2）当符合光照补偿条件时，进行以下操作

b.计算出原始图像I(x,y)与细节增强后的图像R'(x,y)的平均灰度的差值，并将其补偿给初始调整光照 Ltemp(x,y)。

c.最终调整后的光照分量L'(x,y)为：

经多次实验，此处光照补偿系数k取0.3，可适当进行调整。

2.4 最终结果

将得到的细节增强的扣件图像R'(x,y)与调整后的光照分量L'(x,y)叠加，得到最终结果。

3 算法结果与分析

图4为几种经典算法与本文算法的增强结果及其图像灰度直方图对比。从对比结果可以看出直方图均衡化和同态滤波两种算法在对高光区域的抑制方面明显不足。本文算法在对扣件图像高光区域进行有效抑制的同时，对阴暗区域的光照也进行了有效的增强，提高了图像的整体质量。

为了验证实验结果,从广通到大理铁路线上实际采集的图片中选取2 000张光照不均匀图片，其中，扣件完好无损图像1 000张，扣件缺陷图像1 000张。选取500张完好图像，500张缺陷图像为训练集；剩余500张完好图像，500张缺陷图像为测试集。

对训练集与测试集均不进行任何处理，用HOG特征算法对其进行检测，得到原始图像检测结果。采用传统直方图均衡化，同态滤波，分别对训练集和测试集进行处理，之后采用HOG特征算法对测试集进行检测，实验结果如表1所示。

图4 实验结果及对比

4 结束语

本文提出一种将二维EMD与直方图均衡化相结合的图像预处理算法。与传统图像增强算法相比较，本文算法结果在有效抑制高光区域、使得图像整体亮度趋于均匀的同时，可以提高光照不足区域的图像质量，增强图像对比度，从而提高了扣件检测的识别精度。同时，也可适用于铁路扣件之外的其他光照不均匀图像。但是其在BEMD分解得到细节图像方面仍存在计算不够精确的问题，在后续研究中可以考虑做适当改进。

表1 实验结果

责任编辑 徐侃春

[1]张 霞，党建武，马宏锋.基于双结构元素形态学的铁轨图像边缘检测方法[J].铁路计算机应用，2011，20（5）：28-31.

[2]李永波，李柏林，熊 鹰.基于HOG特征的铁路扣件状态检测[J].传感器与微系统，2013，32（10）：110-113.

[3] Dalal N, Triggs B. Histograms of oriented graients for human detection[A]. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition[C], San Diego, CA, USA, 2005,1: 886-893.

[4]肖 俊，宋寿鹏，丁丽鹃. 空域同态滤波算法研究[J].中国图像图形学报，2008，13（12）：2302-2306.

[5]李权合，毕笃彦，马时平.基于Retinex和视觉适应性的图像增强[J].中国图像图形学报，2010，15（12）：1728-1732.

[6] Huang N E,Shen Z.The empirical mode decomposition and the Hibert spectrum for nonlinear non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A,1998.454:903-995.

[7] J.C.Nunes,Y.Bouaoune,EDelechelle. Image analysis by bidimensional empirical mode decomposition [J].Image and Vision Computing, 2003, 21(12):1019-1026.

[8]刘忠轩，彭思龙.方向EMD分解与其在纹理分割中的应用 [J].中国科学：E辑，2005，35（2）：113-123.

[9]郑碧波，陈伟清，田配云.基于Radon和EMD的旋转不变纹理分类[J].计算机与现代化，2013（6）：67-70.

[10]梁灵飞，平子良.基于窗口经验模式分解的医学图像增强 [J].Journal of. Optoelectronics, Laser, 2010,21(9):1421-1425. [11]秦 勃，时 鹏.经验模式多尺度图像分解 [J].工程图学学报，2002（4）：73-78.

[12] Yan Tian,Ying Huang,Li Yongjiang. Imagezooming method using 2D EMD technique [J]. JEEE. 2006. 4244: 10036-10040.

An improved correction algorithm for railway fasteners image

DONG Yang, LI Bailin
( School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China )

Railway fastener recognition algorithm based on Hierarchical Histograms of Oriented Gradients(HOG) was affected by the illumination factor easily. For this case, this paper presented an algorithm which was combined the bidimensional empirical mode decomposition(BEMD) with histogram equalization. Firstly, the illumination component and detail component were extracted by BEMD. Detail component was enhanced by histogram equalization, and illumination component was revised based on illumination judgment, this algorithm would get the satisfactory fastener image for the further detection. Compared to the traditional algorithm, experimental results showed that this algorithm could improve image contrast and recognition accuracy.

image enhancement; non-uniform illumination; BEMD; histogram equalization; light compensation

U213.53∶TP39

A

1005-8451（2014）09-0001-04

2014-03-10

四川省科技支撑计划项目 （2012GZ0102）；西南交通大学牵引动力国家重点实验室自主课题（2012TPL_T10）。

董 洋，在读硕士研究生；李柏林，教授。